편집
1,408
번
바뀜
→기초 사용법
30번째 줄:
30번째 줄:
from sklearn.model_selection import train_test_split
from sklearn.model_selection import train_test_split
−train_x, test_x, train_y, test_y = train_test_split(data, label, random_state=1)
+train_x, test_x, train_y, test_y = train_test_split(data, label, test_size=0.2, train_size=0.8, ,random_state=1)
</syntaxhighlight>random_state는 random함수의 seed값을 고정하여 매번 같은 데이터를 얻게 하기 위함.(test용, 교육용에서 채점 등에 사용. 모델이 랜덤한 효과로 좋아지지 않도록.)
</syntaxhighlight>random_state는 random함수의 seed값을 고정하여 매번 같은 데이터를 얻게 하기 위함.(test용, 교육용에서 채점 등에 사용. 모델이 랜덤한 효과로 좋아지지 않도록.)
−일반적으로 이 대신 test_size=0.2 를 사용한다.(20%가 test 데이터로)
+일반적으로 이 대신 test_size=0.2 를 사용한다.(20%가 test 데이터로)(전체 값이 1이 아닌지, train_size와 같이 넣는다.)
|-
|-
|학습한 매개변수 저장하기
|학습한 매개변수 저장하기
51번째 줄:
51번째 줄:
|}
|}
+= 결측치 처리 =
+{| class="wikitable"
+!방법
+!설명
+|-
+|결측치 채우기
+|<syntaxhighlight lang="python">
+from sklearn.impute import SimpleImputer
+
+imputer = SimpleImputer()
+imputed_train_X = pd.DataFrame(imputer.fit_transform(train_X)) # 학습용 자료에 결측치 채워넣기.
+test_train_X = pd.DataFrame(imputer.fit_transform(test_X)) # 테스트용 데이터에 결측치 채워넣기.
+
+</syntaxhighlight>결측치를 채우는 것만으로도 정밀도가 올라가는 경우가 많다.
+|}
= 모델 검증 =
= 모델 검증 =
{| class="wikitable"
{| class="wikitable"
79번째 줄:
94번째 줄:
print("정답률 : ", right/total)
print("정답률 : ", right/total)
</syntaxhighlight>간단하게 모듈을 사용할 수도 있다.<syntaxhighlight lang="python">
</syntaxhighlight>간단하게 모듈을 사용할 수도 있다.<syntaxhighlight lang="python">
−from sklearn import metrics # 추가로 가져온다.
+from sklearn.metrics import accuracy_score # 추가로 가져온다.
−score = metrics.accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
+score = accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
print('정답률 : ', score)
print('정답률 : ', score)
</syntaxhighlight>
</syntaxhighlight>
|}
|}
−== SVM 알고리즘 ==
== SVM 알고리즘 ==
사용할 수 있는 SVM 알고리즘은 다음과 같다. 객체를 만들 때 알고리즘 이름만 바꾸어주면 된다.
사용할 수 있는 SVM 알고리즘은 다음과 같다. 객체를 만들 때 알고리즘 이름만 바꾸어주면 된다.